Lokal vs. Cloud- Transkription

Lokal bedeutet: das Modell liegt auf deiner Festplatte

Lokale Transkription lädt einmalig ein Sprachmodell herunter und führt es dann auf deinem Prozessor aus. Kein Upload, kein Server, kein Account-Ping während einer Aufnahme. Zieh das Netzwerkkabel – es tippt trotzdem.

Unsere App erledigt das in reinem Rust über eine Bibliothek namens transcribe-rs, ohne angehängtes Python-Runtime. Du wählst aus acht Whisper-Modellen – von Base mit rund 140 MB bis zu Large v3 mit ca. 3 GB – oder NVIDIAs Parakeet mit rund 600 MB, das auf einer CPU fünf bis zehnmal schneller ist als Whisper. Kein GPU nötig. Das Modell lädt in den RAM, deine Stimme geht rein, Text kommt raus – und nichts davon berührt das Internet.

Der Download ist die einzige Hürde. Ein 3-GB-Modell ist auf Hotel-WLAN ein echter Download, und ein Laptop von 2018 kommt mit einem kleinen Modell gut zurecht, kämpft aber mit dem großen. Nach diesem ersten Download gibt es jedoch keine Kosten pro Minute und keinen Server im Ablauf. Wer die ausführlichere Version möchte: Ich habe einen eigenen Artikel über den vollständig offline-Betrieb geschrieben. Siehe Sprache-zu-Text offline auf dem Desktop.

Cloud bedeutet: dein Audio macht eine Reise

Cloud-Transkription nimmt dein Audio auf, schickt es an den Server eines Anbieters, und der Server schickt Text zurück. Du mietest fremde Hardware und das neueste Modell des Anbieters.

In unserer App bedeutet Cloud-Modus: du bringst deinen eigenen OpenAI-Key mit. Die Transkription läuft auf gpt-4o-mini-transcribe oder dem qualitativ hochwertigeren gpt-4o-transcribe, und du kannst KI-Optimierung sowie Live-Websuche über denselben Key ergänzen. Du gibst deinen eigenen OpenAI-Key an und zahlst direkt an OpenAI. Wir behalten keinen Anteil und schlagen nichts auf. Es gibt kein großes Modell herunterzuladen. Es läuft auf einem fünf Jahre alten Netbook genauso wie auf einer neuen Workstation – weil die Arbeit auf dem Server passiert. Und es kann eine Frage durch Web-Suche beantworten, was ein lokales Modell schlicht nicht kann.

Der Haken liegt im Namen. Dein Audio verlässt dein Gerät. Du brauchst eine aktive Verbindung. Und du zahlst pro Minute – Bruchteile eines Cents, aber es summiert sich, und es wird gemessen.

Der ehrliche Direktvergleich

Absichtlich keine Preisangaben in dieser Tabelle. Die genauen Zahlen findest du auf unserer Preisseite. Hier geht es um die Natur der jeweiligen Wahl.

Das von oben nach unten gelesen ergibt ein klares Muster. Lokal tauscht Bequemlichkeit gegen Datenschutz, Offline-Nutzung und Fixkosten. Cloud tauscht Datenschutz und Verbrauchsmessung gegen das neueste Modell und Web-Zugang. Keins ist besser. Sie sind für unterschiedliche Aufgaben gemacht.

Wann die Cloud die bessere Wahl ist

Ich werde nicht so tun, als würde lokal immer gewinnen. Es gibt echte Fälle, in denen ich zur Cloud greifen würde.

Wenn deine Hardware alt oder RAM-knapp ist, ist die Cloud die freundlichere Option. Ein Laptop von 2017 mit 8 GB RAM kämpft mit einem großen lokalen Modell, während die Cloud die schwere Arbeit woanders erledigt und dein Gerät nur das Mikrofon übernimmt. Wenn du die absolut neueste Transkriptionsqualität bei schwierigem Audio brauchst – starke Akzente, überlappende Sprecher, Fachvokabular – dann haben die neuesten gehosteten Modelle oft die Nase vorn. Und wenn du eine Frage diktieren und eine web-basierte Antwort direkt an den Cursor eingefügt bekommen möchtest, ist die Cloud zwingend. Ein lokales Modell hat kein Internet zum Durchsuchen.

Der gemeinsame Faden: Die Cloud ist der Ausweg bei schwacher Hardware, höchster Qualität und Live-Web-Zugriff.

Wann lokal die bessere Wahl ist

Für die meisten Menschen, die meiste Zeit, würde ich mit lokal anfangen.

Wenn die Wörter, die du diktierst, privat sind – eine Gehaltstabelle, eine E-Mail an die Schule deines Kindes, ein Rechtsentwurf – dann sollten sie nicht in den Logs eines Anbieters landen, nur weil du mit deiner Stimme tippen wolltest. Lokal behält das Audio auf deinem Gerät, Punkt. Wenn du in Flugzeugen, Zügen oder in Cafés mit unzuverlässigem WLAN arbeitest, ist lokal unabhängig vom Signal. Und wenn du viel diktierst, spielen Fixkosten eine Rolle.

Hier ist die Meinung, zu der ich wirklich stehe: Fang mit lokal an und behandle die Cloud als Ausweg, nicht als Standard. Wenn dein Mac Apple Silicon hat oder dein PC aus den letzten vier Jahren stammt, bewältigt lokal alltägliches Diktieren mit 95 % bis 99 % Genauigkeit – ohne Server im Ablauf. Wechsle zur Cloud, wenn du an eine Grenze stößt – schwache Hardware, besonders schwieriges Audio oder Web-Suche. Die meisten Menschen stoßen nie an diese Grenze.

Ich habe einen Grund, warum mich Cloud-als-Standard nervös macht. Ein Team, mit dem ich mal gearbeitet habe, ließ einen Auftragnehmer einen internen Cloud-KI-Diktier-Prototyp bauen, der für jede Äußerung die API aufrief. Eine clevere Retry-Schleife transkribierte dieselben Standup-Aufnahmen viermal. Der Manager öffnete das Kosten-Dashboard am Quartalsende und fand eine fünfstellige Rechnung. Der Fix des Auftragnehmers: den Prompt optimieren. Der Fix des CFO: aufhören, für Transkriptionen von Meetings zu zahlen, die schon Notizen haben. Verbrauchsbasierte Cloud ist in Ordnung – bis etwas in eine Schleife gerät. Lokal hat keinen Zähler, der davonläuft.

Beide Modi in einer App

Die oben beschriebene Trennung ist real, aber kein Scheideweg, an dem du dich einmal für immer entscheidest. In unserer App liegen beide Modi hinter demselben Hotkey und derselben Aufnahme-Überlagerung, und der Umschalter ist ein einziger Schalter. Diktiere morgens eine private E-Mail lokal, wechsle mittags zur Cloud, um eine Aussage per Web-Suche zu prüfen, und wechsle zurück. Du installierst nichts neu. Du legst dich nicht für immer fest.

Das ist der Teil, den der Lokal-vs.-Cloud-Rahmen meist übersieht. Es ist kein Glaubenskrieg. Es sind zwei Werkzeuge in einer Schublade, und das richtige hängt von dem Satz ab, den du gleich sagen wirst. Wenn du die lokalen Engines miteinander vergleichen möchtest – Geschwindigkeit vs. Sprachabdeckung – gibt es dafür einen eigenen Artikel: Whisper vs. Parakeet. Und wenn du uns mit einem bestimmten Konkurrenten vergleichst, der superwhisper-Vergleich geht auf einen davon im Detail ein.

Wenn du dir nur eine Sache merkst

Lokal für Datenschutz, Offline und Fixkosten. Cloud für das neueste Modell, schwache Hardware und Web-Zugriff. Fang mit lokal an und halte die Cloud als Ausweg bereit. Das Beste ist, sich nie endgültig entscheiden zu müssen: ein Schalter, beide Modi – je nachdem, was zum nächsten Satz passt.